基于互信息的EEG脑网络情感识别（三）——数据预处理（分频段）

最新推荐文章于 2025-05-29 11:14:25 发布

原创最新推荐文章于 2025-05-29 11:14:25 发布 · 3.7k 阅读

37 ·

CC 4.0 BY-SA版权

文章标签：

#EEG #DEAP #Matlab #情感识别 #小波包分解

脑机接口专栏收录该内容

11 篇文章

订阅专栏

本文承接上一篇对DEAP数据集文件的数据截取，将处理后的数据按频率分成四个波段。通过小波包分解（Matlab函数wpdec）得到Theta、Alpha、Beta1、Beta2频段数据序列，还介绍了分解树建立、结点重构及信号叠加等操作，并给出部分代码。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

上一篇文章对DEAP数据集中的data_preprocessed_matlab文件夹的文件进行了数据的截取。

这篇文章是接着上一篇，将数据按频率分成四个波段。

用到的数据是在上一篇文章中处理之后生成的数据。

将经过降采样率的样本通过小波包分解，得到 Theta（4–7Hz）、Alpha（8–13Hz）、Beta（13–30Hz）。小波包分解能够将频带进行多层进一步划分，相对于小波变换而言，能够将没有细分的高频部分进一步细分。由于研究中使用到的相位锁值对于窄带信号较为敏感，而 Beta 段频带较宽，因此又进一步将 Beta 波段划分为低频的 Beta1（13–20Hz）和高频的 Beta2（20–30Hz）。
小波包分解（Matlab 函数 wpdec，母函数为 db20）得到 4 个频段下的数据序列。
注：关于小波包分解，如果不太熟悉的话，这里推荐一个博客，我当时是参考这个学习的：小波包分解与信号重构

由于要分的波段是：（重叠部分归到后面波段）

Theta（4–8Hz）
Alpha（8-13Hz）
Beta1（13-20Hz）
Beta2（20–30Hz）
采样频率为128Hz，则奈奎斯特频率为64Hz（概念而已，自行百度一下）
我准备建立的分解树是6层的（不算(0,0)那一层），这样，最底层的结点跨度范围就是1Hz。

分解代码如下：（其中A表示一维的信号）

wpt=wpdec(A,n,'db20');

其中结点(6,0)表示0–1Hz，(6,1)表示1–2Hz，(6,2)表示2–3Hz …

分解后，即建立下面的分解树：
建立6层分解树

下一步，对结点进行重构，并对处理的信号进行叠加
对结点重构以及信号叠加代码如下：

	cfs01=wprcoef(wpt,[6 4]);
    cfs02=wprcoef(wpt,[6 5]);
    cfs03=wprcoef(wpt,[6 6]);
    cfs04=wprcoef(wpt,[6 7]);
    cfs0=cfs01+cfs02+cfs03+cfs04;

下来，还是附上一个整体处理的代码：
（A是一维数据，所以拆成每行进行处理，完成后再进行拼接）

pathname='E:\脑电数据集\s01-1\';
x=load('E:\脑电数据集\截取后数据\s01\s01-1.mat');
xx=x.data;
n=6;
Theta=[];
for i=1:32
    A=xx(i,:);
    wpt=wpdec(A,n,'db20');
    plot(wpt);
    cfs01=wprcoef(wpt,[6 4]);
    cfs02=wprcoef(wpt,[6 5]);
    cfs03=wprcoef(wpt,[6 6]);
    cfs04=wprcoef(wpt,[6 7]);
    cfs0=cfs01+cfs02+cfs03+cfs04;
    %filename=sprintf('Theta-%d',i);
    %save([pathname,filename],'cfs0');
    filename='Theta';
    Theta=[Theta;cfs0];
    save([pathname,filename],'Theta');
end

该代码只对s01\s01-1.mat的数据进行了处理，而且只提取了Theta波段的数据
其他波段的提取，以及后续的批处理操作就不做叙述了

在这里插入图片描述
该文章是学习笔记，后续会继续更新
下一篇文章的链接：基于互信息的EEG脑网络情感识别（四）